Une intelligence artificielle pour classer les fragments de poterie
Comparée à ce que l’on voit dans les films, l’archéologie est un travail ennuyeux. Il n’y a pas de momies ni de fusillades pleines d’action contre d’autres « chasseurs de trésors ». Pour être honnête, il n’y a même pas tant de trésors que cela à découvrir, à moins que vous ne considériez les bons vieux fragments de poterie comme des trésors. Et oui, c’est ce que les archéologues rencontrent généralement sur les sites, et ils collectent des milliers de ces fragments et les trient minutieusement. C’est un travail fastidieux, mais au moins personne ne meurt, il y a donc généralement une fin heureuse pour tout le monde à la fin de la journée.
Les tessons de poterie sont omniprésents sur les sites archéologiques, et cela est vrai pour pratiquement toutes les cultures depuis que l’humain a inventé la poterie. Dans le sud-ouest des États-Unis en particulier, les musées ont recueilli des tessons par dizaines de milliers.
Bien que tous ces morceaux brisés n’aient pas l’air de grand-chose à première vue, ils sont souvent essentiels pour reconstituer le passé.
Selon Chris Downum, archéologue de la Northern Arizona University, coauteur d’une nouvelle étude avec Leszek Pawlowicz :
Les tessons fournissent aux archéologues des informations capitales sur la période d’occupation d’un site, sur le groupe culturel auquel il était associé et sur les autres groupes avec lesquels il interagissait.
Cherchant un moyen d’accélérer le processus de tri des tessons de poterie, Pawlowicz et Downum ont décidé de se tourner vers le domaine de l’intelligence artificielle, vers l’apprentissage automatique.
Pour l’instant, l’étude récente de Pawlowicz et Downum est une preuve de concept. Ils ont choisi un type de poterie, le Tusayan White Ware, qui est particulièrement facile à trier par ordinateur sur la base de photos, car ses motifs contrastent fortement avec le fond. Un réseau neuronal serait probablement assez performant pour trier d’autres types de poteries décorées, mais la poterie dite ordinaire, c’est-à-dire sans décoration ni marquage visible, serait probablement un pont trop loin.
L’étude publiée dans le Journal of Archaeological Science : Applications of deep learning to decorated ceramic typology and classification: A case study using Tusayan White Ware from Northeast Arizona et présentée sur le site de la Northern Arizona University : NAU archaeologists teach computers to sort ancient pottery.
Comparée à ce que l’on voit dans les films, l’archéologie est un travail ennuyeux. Il n’y a pas de momies ni de fusillades pleines d’action contre d’autres « chasseurs de trésors ». Pour être honnête, il n’y a même pas tant de trésors que cela à découvrir, à moins que vous ne considériez les bons vieux fragments de poterie comme des trésors. Et oui, c’est ce que les archéologues rencontrent généralement sur les sites, et ils collectent des milliers de ces fragments et les trient minutieusement. C’est un travail fastidieux, mais au moins personne ne meurt, il y a donc généralement une fin heureuse pour tout le monde à la fin de la journée.
Les tessons de poterie sont omniprésents sur les sites archéologiques, et cela est vrai pour pratiquement toutes les cultures depuis que l’humain a inventé la poterie. Dans le sud-ouest des États-Unis en particulier, les musées ont recueilli des tessons par dizaines de milliers.
Bien que tous ces morceaux brisés n’aient pas l’air de grand-chose à première vue, ils sont souvent essentiels pour reconstituer le passé.
Selon Chris Downum, archéologue de la Northern Arizona University, coauteur d’une nouvelle étude avec Leszek Pawlowicz :
Les tessons fournissent aux archéologues des informations capitales sur la période d’occupation d’un site, sur le groupe culturel auquel il était associé et sur les autres groupes avec lesquels il interagissait.
Cherchant un moyen d’accélérer le processus de tri des tessons de poterie, Pawlowicz et Downum ont décidé de se tourner vers le domaine de l’intelligence artificielle, vers l’apprentissage automatique.
Pour l’instant, l’étude récente de Pawlowicz et Downum est une preuve de concept. Ils ont choisi un type de poterie, le Tusayan White Ware, qui est particulièrement facile à trier par ordinateur sur la base de photos, car ses motifs contrastent fortement avec le fond. Un réseau neuronal serait probablement assez performant pour trier d’autres types de poteries décorées, mais la poterie dite ordinaire, c’est-à-dire sans décoration ni marquage visible, serait probablement un pont trop loin.
L’étude publiée dans le Journal of Archaeological Science : Applications of deep learning to decorated ceramic typology and classification: A case study using Tusayan White Ware from Northeast Arizona et présentée sur le site de la Northern Arizona University : NAU archaeologists teach computers to sort ancient pottery.